由擬合分配計算 VaR
要最小化 CVaR，必須先在某個信賴水準（例如 95%）下計算 VaR。先前你從常態（Gaussian）分配以分位數的方式推得 VaR，但更一般地，要最小化 CVaR 需要從最能「擬合」資料的分配來計算該分位數。
在本練習中，已提供一個 fitted「損失分配」，它是對 2005–2010 年等權重投資銀行投資組合的損失所做的擬合。你會先使用它的 .evaluate() 方法將此分配繪圖（關於擬合分配會在第 4 章更詳細說明）。
接著，你會使用 fitted 物件的 .resample() 方法，從此擬合分配隨機抽取 100,000 筆觀測作為 sample。
最後，對這個隨機 sample 使用 np.quantile()，即可計算 95% 的 VaR。
本練習屬於課程
Python 量化風險管理
練習說明
- 繪製
fitted損失分配。留意fitted分配與常態分配的差異。 - 使用
fitted的.resample()方法，從該擬合分配隨機抽樣產生含 100,000 點的sample。 - 使用
np.quantile()從這個隨機sample找出 95% 的 VaR，並顯示結果。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Visualize the fitted distribution with a plot
x = np.linspace(-0.25,0.25,1000)
plt.____(x,fitted.evaluate(x))
plt.show()
# Create a random sample of 100,000 observations from the fitted distribution
sample = fitted.____(____)
# Compute and display the 95% VaR from the random sample
VaR_95 = np.____(sample, ____)
print(VaR_95)